Upload
lydieu
View
221
Download
0
Embed Size (px)
Citation preview
Segmentação de vasos sangüíneosem imagens de retina usando
wavelets e classificadores estatísticosDefesa de dissertação de mestrado
CandidatoJoao V. B. Soares(bolsista CNPq)
OrientadorRoberto M. Cesar Jr.
Departamento de Ciencia da Computacao - IME - USP
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 1/45
Apresentação
Introdução, motivação e objetivos
Trabalhos relacionados
Classificação supervisionada
Wavelet de Gabor 2D
Classificadores testados
Avaliação experimental
Resultados e discussão
Conclusão e trabalhos futuros
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 2/45
Imagens de retina - I
Imagens fornecem informações sobre saúde do olho evasculatura do paciente.
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 3/45
Imagens de retina - II
Aquisição pode ser feita por fluorescência, fotografiacolorida e monocromática
Angiografia de fluoresceína Fotografia aneritra
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 4/45
Imagens de retina - III
Original Vermelho
Verde Azul normalizadoSegmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 5/45
Imagens de retina - IV
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 6/45
Motivação - I
Triagem para detecção da retinopatia diabética:
2,8% da população mundial era diabética em2000, projetado para 4,4% em 2030Após 20 anos de diabetes, a doença ocorre em99% dos pacientes com diabetes tipo 1 e em 60%dos pacientes com diabetes tipo 2No Brasil, é responsável por 4,58% dasdeficiências visuais e por 7,5% das causas deincapacidade de adultos para o trabalhoDiabéticos requerem inspeções periódicasAnálise é trabalhosa e requer qualificaçãoMedidas ou critérios podem envolver subjetividade
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 7/45
Motivação - II
Sintomas incluem o aparecimento demicroaneurismas e alterações na vasculatura
Obtenção de indicadores sobre situação de pacientespara triagem e auxílio em diagnósticos
Outros usos:
Registro entre imagens para detecção demudanças em acompanhamentos, construção demosaicos, auxílio em cirurgias
Biometria para segurança (identificação/verificaçãode pessoas)
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 8/45
Objetivos
Segmentação dos vasos
Precisa, para posterior extração de medidasIndependente de parâmetros ou intervenção deusuárioRobusta a variações em imagens, como condiçõesde aquisição, patologia e ruídosRápida o suficiente para uma ferramenta interativa
Avaliação de resultados
Implementação de um protótipo
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 9/45
Modelos para detecção - I
Perfis de vasos:
20 40 60 80 100 120 140 160 1800.4
0.5
0.6
0.7
0.8
0.9
1
coordenada x da imagem
Inte
nsid
ade
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 10/45
Modelos para detecção - II
Características da vasculatura:
Perfis dos vasos aproximadamente gaussianos
Bordas opostas dos vasos bem definidas
Vasos aproximadamente lineares por partes econectados em árvore
Continuidade de posição, largura, direção dos vasos
Largura diminui com a distância ao disco óptico
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 11/45
Trabalhos relacionados
1. Pre-processamento: normalização de iluminação,variações entre imagens e eliminação de artefatos eruídos
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 12/45
Trabalhos relacionados
1. Pre-processamento: normalização de iluminação,variações entre imagens e eliminação de artefatos eruídos
2. Deteccao local: limiarização, filtros casados, filtrosnão-lineares (incluindo morfologia matemática),avaliação de curvatura, avaliação de bordas eclassificação supervisionada
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 12/45
Trabalhos relacionados
1. Pre-processamento: normalização de iluminação,variações entre imagens e eliminação de artefatos eruídos
2. Deteccao local: limiarização, filtros casados, filtrosnão-lineares (incluindo morfologia matemática),avaliação de curvatura, avaliação de bordas eclassificação supervisionada
3. Deteccao global: rastreamento, crescimento de regiões,modelos deformáveis, inferência de árvores,(varredura)
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 12/45
Detecção local - I
Filtros casados gaussianos 1D e 2D são usados paradetecção e rastreamento
Filtros casados 2DGaussiana [Chaudhuri et al., 89]
2a derivada da gaussiana [Chutatape et al., 98]
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 13/45
Detecção local - II
Filtros não-linearesMorfologia matemática (soma de top-hatsalongados) [Zana e Klein, 01]
Ssum =12
∑
i=1
(S0 − γLi(S0))
L1
L2
L3
Diferença máxima sob elementos estruturantesparalelos [Lowell et al., 04]
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 14/45
Detecção local - III
Abordagem de Martínez-Pérez et al. [99]
1. Cálculo de medidas em diferentes escalas:
Força de borda(
|∇I| =√
I2x + I2
y
)
Força de saliência (curvatura principal máxima)
2. Toma-se o máximo de cada medida normalizada pelaescala
3. Crescimento de regiões é guiado pelas medidas
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 15/45
Classificação supervisionada - I
Característicasdos pixels
Pre-processamento,geracao e normalizacao
de caracterısticas
Imagem deteste
Característicasdos pixels
Segmentaçãoautomática
Pre-processamento,geracao e normalizacao
de caracterısticas
Classificador
Treinamentodo classificador
Imagem detreinamento
Segmentaçãomanual
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 16/45
Classificação supervisionada - II
Outros trabalhos:
Usou-se uma janela de valores e redes neurais[Nekovei e Sun, 95] e também valores de força debordas [Sinthanayothin et al., 99]
Características baseadas em uma representação porelementos lineares e seleção de características [Staalet al., 04]
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 17/45
Abordagem proposta
Transformada wavelet contínua 2D:
Representação adequada para evidenciar os vasos(decomposição em posição, escala e ângulo)
Classificação supervisionada de pixels:
Não necessita de ajuste de parâmetros, mas desegmentações manuais
Conceitualmente simples: não depende de muitasregras ou operações complexas
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 18/45
A transformada wavelet contínua - I
Wavelets e aplicações:
Análise de sinais não estacionários (local)
Conceito de escala (e rotação em 2D)
Multirresolução: alta precisão espacial em freqüênciasaltas, adequado para detecção de singularidades
Codificação (transformada discreta)
Análise de formas, fractais, dados biomédicos, etc.
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 19/45
A transformada wavelet contínua - II
Tψ(b, a, θ) = 〈ψb,a,θ|f〉,
= a−1
∫
ψ∗(a−1r−θ(x − b))f(x) d2
x
f - imagem sendo analisadaψ - wavelet protótipo (ou wavelet mãe ou analisadora)∗ - conjugado complexob - vetor de deslocamentoa - escala (dilatação)r−θ - rotação de −θ
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 20/45
A wavelet de Gabor - I
A wavelet analisadora de Gabor (ou Morlet):
Direcional
Bem localizada no espaço e freqüências espaciais
Remove alguns ruídos
ψG(x) = exp (ik0 · x) exp
(
−1
2x · Ax
)
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 21/45
A wavelet de Gabor - IIVariando os parâmetros da wavelet
ε = 8,k0 = [0, 3] ε = 1,k0 = [0, 5] ε = 2,k0 = [0, 3]
θ = 45◦ a = a0/2
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 22/45
A wavelet de Gabor - III
Canal verde invertido
Módulo para a = 4, θ = 0◦ Módulo para a = 4, θ = 45◦
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 23/45
A wavelet de Gabor - IV
Canal verde invertido
Módulo máximo para a = 3 Módulo máximo para a = 8Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 24/45
Treinando os classificadores
Características utilizadas
Transformadas do módulo máximo da Gabor emdiferentes escalas
Nível de cinza ou do canal verde da imagem
(Canais vermelho, azul, gradiente, filtro da média)
Formando o conjunto de treinamento
Segmentações manuais de uma ou mais imagens
Uma região ou pixels da própria imagem a sersegmentada podem ser rotulados por um usuário
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 25/45
Classificadores - I
Classificador bayesiano com modelos de misturagaussiana (MMG):
Verossimilhança de cada classe é modelada porcombinações lineares de funções gaussianasEstimação de parâmetros e pesos pelo algoritmoEM (Expectation-Maximization). Iteraçõesmaximizam a esperança da verossimilhança dasamostras de treinamento.Classificação rápida, independente do número deamostras de treinamentoPrecisão aumenta com o número de gaussianas
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 26/45
Classificadores - II
Classificador dos k vizinhos mais próximos (kNN)Simples, não usa um modelo dos dados (nãoparamétrico)Estimativa melhora com o aumento de k e donúmero de amostras de treinamentoImplementação trivial fica muito pesada commuitas amostras de treinamento
Classificador linear de erro quadrático mínimo (LEQM)Treinamento rápido, consiste em minimizar o erroquadrático sobre o conjunto de treinamentoLimitado por ser linear
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 27/45
Exemplos de resultados - I
Original Probabilidades posteriores
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 28/45
Exemplos de resultados - II
Segmentação Esqueleto
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 29/45
Exemplos de resultados - III
Original Probabilidades posteriores
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 30/45
Exemplos de resultados - IV
Segmentação Esqueleto
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 31/45
Avaliação de resultados - I
Avaliação visual
Avaliação através do desempenho em aplicações
Avaliação por comparação com segmentaçõesmanuais
Análise ROC (receiver operating characteristic):taxas de verdadeiros positivos versus falsospositivos para diferentes parâmetros:
Esqueleto
Pixels da segmentação
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 32/45
Avaliação de resultados - II
Probabilidades posteriores Manual (referência)
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 33/45
Avaliação de resultados - II
Limiarização alta Intersecção com manual
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 33/45
Avaliação de resultados - II
Limiarização baixa Intersecção com manual
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 33/45
Avaliação de resultados - III
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
taxa de falsos positivos
taxa
de
verd
adei
ros
posit
ivos
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 34/45
Avaliação de resultados - III
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
taxa de falsos positivos
taxa
de
verd
adei
ros
posit
ivos
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 34/45
Avaliação de resultados - III
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
taxa de falsos positivos
taxa
de
verd
adei
ros
posit
ivos
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 34/45
Avaliação de resultados - III
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
taxa de falsos positivos
taxa
de
verd
adei
ros
posit
ivos
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 34/45
Avaliação de resultados - IV
Duas bases públicas de imagens coloridas para testes:
Imagens (com e sem patologia) acompanhadas dedois conjuntos de segmentações manuais
DRIVE [Staal et al., 04] (Universidade de Utrecht)conjunto separado de treinamento e teste
STARE [Hoover et al., 00] (UCSD e Universidade deClemson): validação cruzada (leave-one-out)
Um dos conjuntos é usado como referência (groundtruth), enquanto o outro dá uma medida dodesempenho humano
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 35/45
Resultados - I
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
taxa de falsos positivos
taxa
deve
rdad
eiro
spo
sitivo
s
MMG, c = 20
MMG, c = 20, p(C1|v) > 0.5
Mψ(b, 4)
Chaudhuri et al.
Conjunto B
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 36/45
Resultados - II
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
taxa de falsos positivos
taxa
deve
rdad
eiro
spo
sitivo
s
MMG, c = 20
MMG, c = 20, p(C1|v) > 0.5
Mψ(b, 4)
Chaudhuri et al.
Segundo observador
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 37/45
Resultados - III
Banco Tempo de
Classificador DRIVE STARE classificação
Az Acurácia Az Acurácia (N = 105)
LEQM 0.9532 0.9284 0.9602 0.9365 ∼ 0.4s
kNN, k = 1 0.8220 0.9201 0.8166 0.9273 ∼ 4h
kNN, k = 64 0.9568 0.9475 0.9612 0.9482 ∼ 4h
kNN, k = 512 0.9609 0.9476 0.9658 0.9472 ∼ 4h
MMG, c = 1 0.9287 0.9227 0.9409 0.9244 ∼ 1s
MMG, c = 20 0.9600 0.9468 0.9666 0.9478 ∼ 10s
MMG, c = 40 0.9610 0.9473 0.9665 0.9479 ∼ 20s
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 38/45
Resultados - IV
Banco
Método de segmentação DRIVE STARE
Az Acurácia Az Acurácia
MMG 0.9614 0.9466 0.9671 0.9480
Teste cruzado, MMG 0.9522 0.9404 0.9601 0.9328
Mψ(b, 4) 0.9312 0.9351
[Chaudhuri et al., 89] 0.9103 0.8987
[Jiang e Mojon, 03] 0.9327 0.8911 0.9298 0.9009
[Staal et al., 04] 0.9520 0.9441 0.9614 0.9516
Segundo observador 0.9473 0.9349
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 39/45
Discussão - I
A wavelet de Gabor fornece uma representação emdireções e escalas que evidencia os vasos
Classificação combina diferentes características,detectando vasos de diferentes larguras
Abordagem conceitualmente simples, que nãodepende de regras e parâmetros
Teste cruzado revela dependência no conjunto detreinamento
Pode ser implementado de forma eficiente
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 40/45
Discussão - II
Dificuldades:
Alguns vasos mais finos não são detectados
Imagens com muita variação de iluminação podem terresultados pobres
Alguns artefatos (texturas e bordas fortes) aparecemcomo falsos positivos
Análise é somente local
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 41/45
Conclusão
Contribuições:
Levantamento bibliográfico
Aprimoramento do método usando a wavelet de Gaborcom a introdução da classificação supervisionada
Experimentos e avaliação de resultados
Desenvolvimento de um pacote código aberto (scriptsdo MATLAB) com protótipo de interface gráfica
Publicação de artigos descrevendo os avanços obtidos
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 42/45
Demonstração do software
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 43/45
Trabalhos futuros
Robustez à variação de iluminação, discriminaçãoentre bordas e vasos, segmentação interativa
Detecção global, incorporando informação sobreformas e estruturas
Desenvolvimento/evolução do software
Discriminação entre veias e artérias, detecção demicroaneurismas, exsudatos, manchas algodonosas,disco óptico, fóvea, etc.
Estudo de diferentes formas de avaliação
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 44/45
Finalização
Colaborações:
CNPq e FAPESP
Emerson Luiz Navarro Tozette, Jeferson Rodriguesda Silva, Jorge de Jesus Gomes Leandro, HerbertJelinek, Michael Cree, Marcelo Mendonça
Página do projeto (código, publicações, referências,dissertação, etc):
http://www.retina.iv.fapesp.br
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 45/45
Referências - I
Chaudhuri, S., Chatterjee, S., Katz, N., Nelson, M. e Goldbaum, M. (1989). Detectionof blood vessels in retinal images using two-dimensional matched filters. IEEETransactions on Medical Imaging, 8:263–269.
Chutatape, O., Zheng, L. e Krishnan, S. M. (1998). Retinal blood vessel detectionand tracking by matched Gaussian and Kalman filters. In Proc. of the 20th AnnualInternational Conference of the IEEE Engineering in Medicine and Biology Society,(EMBS’98), volume 20, páginas 3144–3149.
Hoover, A., Kouznetsova, V. e Goldbaum, M. (2000). Locating blood vessels in retinalimages by piecewise threshold probing of a matched filter response. IEEETransactions on Medical Imaging, 19:203–210.
Jiang, X. e Mojon, D. (2003). Adaptive local thresholding by verification-basedmultithreshold probing with application to vessel detection in retinal images. IEEETransactions on Pattern Analysis and Machine Intelligence, 25(1):131–137.
Lowell, J., Hunter, A., Steel, D., Basu, A., Ryder, R. e Kennedy, R. (2004).Measurement of retinal vessel widths from fundus images based on 2-D modeling.IEEE Transactions on Medical Imaging, 23(10):1196–1204.
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 45/45
Referências - II
Martínez-Pérez, M. E., Hughes, A. D., Stanton, A. V., Thom, S. A., Bharath, A. A. eParker, K. H. (1999). Retinal blood vessel segmentation by means of scale-spaceanalysis and region growing. In Medical Image Computing and Computer-assistedIntervention - MICCAI, páginas 90–97.
Nekovei, R. e Sun, Y. (1995). Back-propagation network and its configuration forblood vessel detection in angiograms. IEEE Transactions on Neural Networks,6(1):64–72.
Sinthanayothin, C., Boyce, J. e Williamson, C. T. (1999). Automated localisation ofthe optic disc, fovea, and retinal blood vessels from digital colour fundus images.British Journal of Ophthalmology, 83:902–910.
Staal, J. J., Abràmoff, M. D., Niemeijer, M., Viergever, M. A. e van Ginneken, B.(2004). Ridge based vessel segmentation in color images of the retina. IEEETransactions on Medical Imaging, 23(4):501–509.
Zana, F. e Klein, J.-C. (2001). Segmentation of vessel-like patterns usingmathematical morphology and curvature evaluation. IEEE Transactions on ImageProcessing, 10:1010–1019.
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 45/45
Referências - III
Cornforth, D. J., Jelinek, H. F., Leandro, J. J. G., Soares, J. V. B., Cesar-Jr., R. M.,Cree, M. J., Mitchell, P. e Bossomaier, T. R. J. (2005). Development of retinal bloodvessel segmentation methodology using wavelet transforms for assessment ofdiabetic retinopathy. Complexity International, 11. Disponível emhttp://www.complexity.org.au/ci/vol11/. Acesso em: maio de 2006.
Leandro, J. J. G., Soares, J. V. B., M. Cesar-Jr., R. e Jelinek, H. F. (2003). Bloodvessels segmentation in non-mydriatic images using wavelets and statisticalclassifiers. In Proc. of the 16th Brazilian Symposium on Computer Graphics andImage Processing - SIBGRAPI, páginas 262–269. IEEE Computer Society Press.
Soares, J. V. B., Leandro, J. J. G., Cesar-Jr., R. M., Jelinek, H. F. e Cree, M. J. (2005).Using the 2-D Morlet wavelet with supervised classification for retinal vesselsegmentation. In IV Workshop de Teses e Dissertações em Computação Gráfica eProcessamento de Imagens, CD-ROM - 18th Brazilian Symposium on ComputerGraphics and Image Processing - SIBGRAPI, Natal, RN.
Soares, J. V. B., Leandro, J. J. G., Cesar-Jr., R. M., Jelinek, H. F.e Cree, M. J. (2006).Retinal vessel segmentation using the 2-D Gabor wavelet and supervisedclassification. IEEE Transactions on Medical Imaging, 25:1214–1222.
Segmentacao de vasos sanguıneos em imagens de retina usando wavelets e classificadores estatısticos – p. 45/45